sfcにおけるバスの混雑予想 サービスの提案mamintsu/wip_final.pdf概要...
TRANSCRIPT
SFCにおけるバスの混雑予想サービスの提案
新人 MEMSYS B4 mamintsu
親 yskさん
1
概要
• バスの混雑モデルを用いた,SFCのバスの混雑状況を予測するサービスの提案
2
背景• SFCのバスの現状
-時間帯によって混雑状況が異なる
3
関連研究
• sfcbus
-既存のsfcバスについてのアプリケーション
• QueueVadis
-T. Okoshi, Y. Lu, Y. Lee, R. K. Balan, and A. Misra.. In Fifteenth
Workshop on Mobile Computing Systems and Applications (ACM
HotMobile 2014), Feb 2014. (demo and poster)
4
問題意識
• 現状では,SFCのバスのそれぞれの時間帯における混雑状況は分からない
5
目的
• バスを利用するユーザが,バスの混雑状況を前もって把握できるようにすること
6
機能要件• バスの時刻と,そのバスの予想乗車人数が分かる
• バスの混雑データを統計化し,モデルを作成することで予想乗車人数を計算しユーザに知らせる
7
アプローチ
機能要件とアプローチ
バスの混雑モデルの作成について
• 作成方法:
①バスが発車するまでの間にバス停に並んだorバスに乗車した
人数を1分毎にカウントし,プロット
② プロットしたデータを「時間」「曜日」「天気」の3つのパ
ラメータによって分類
➂パラメータ毎に分けたデータを,回帰分析を用いてモデル化
④モデルから,バスの予想乗車人数を計算
8
バスの混雑モデルの作成について
• 今回は以下の7つのバスでモデルを作成
-バスの発車時間:
18:55発/19:01発/19:07発/20:00発/20:10発/20:20/21:00発
• モデル作成のため以下の期間にデータを収集
-データ収集期間:
12月/11~12・16~17・19・24~25日
1月/6~7・8~9・15~16日
9
2
910
12
67
12
1517
2
35
43
23 3 3
8
1314
15
0 0
35 5
78
11
01
23
8
1113
17
35
1820
22
38
44
4
1012
17
2021
2527
12
4
89
1011 11
01
57
10
1315
20
0 02 2
5
9 910
0
6
11 11
1718
22 22
0
5
10
15
20
25
30
35
40
45
50
0 1 2 3 4 5 6 7 8
12/17(水)☀
時間(分)
人数(人)
12/19(金)☀
12/24(水)☀12/12(金)☀
12/16(火)🌂
12/11(木)☀
1/6(火)🌂
1/7(水)☀
12/25(木)☀ 1/9(金)☀
1/8(木)☀
1/15(木)🌂
1/16(金)☀①データの収集例 18:55発のバス
バス停に並ぶ人の数を1分毎カウントし,プロット
11
①データの収集18:55発
19:01発 19:07発 20:00発
20:10発 20:20発 21:00発
7つのバスでデータを収集
②データをパラメータ毎に分類
18:55 19:01 19:07 20:00 20:10 20:20 21:00
火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火 ・ 🌂
水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水 ・ ☀
木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀
木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂
金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀
パラメータ1
バスの発車時間パラメータ2
曜日
パラメータ3
天気
35個のデータに分類
Ex.
12
②データをパラメータ毎に分類
Ex. 18:55発 金曜日 ☀ データ
2
910
12
67
12
15
17
23 3 3
8
1314
15
01
5
7
10
13
15
20
0
6
11 11
1718
22 22
0
5
10
15
20
25
0 1 2 3 4 5 6 7 813
➂回帰分析を用いてモデル作成
1
2
6
7
12
15
17
2
3 3 3
8
13
14
15
0
1
5
7
10
13
15
20
0
6
11 11
17
18
22 22
y = 2.7245x + 0.4172R² = 0.8374
-5
0
5
10
15
20
25
-1 0 1 2 3 4 5 6 7 8
18:55 Fri
Ex. 18:55発 金曜日 ☀ モデル
モデル
計算式
14
④モデルから,バスの予想乗車人数を計算
1
2
6
7
12
15
17
2
3 3 3
8
13
14
15
0
1
5
7
10
13
15
20
0
6
11 11
17
18
22 22
-5
0
5
10
15
20
25
-1 0 1 2 3 4 5 6 7 8
18:55 Fri
Ex. 18:55発 金曜日 ☀ モデル
人数(人)
時間(分)
予想乗車人数:y = 2.7245×7 + 0.4172=19.4887人
15
• webページ
-現在時刻,バスの時刻,バスの予想乗車人数を表示
-バスの予想乗車人数はそれぞれ作成したモデルから計算
• プログラミング言語:JavaScript
• OS:Windows8
実装環境
16
現在時刻
次のバス
予想乗車人数
システム構成図
17
Webページ表示モジュール
データ送信モジュール
通信取得モジュール
予想乗車人数判定モジュール
曜日取得モジュール
天気取得モジュール
時刻取得モジュール
評価実験
18
• 目的
作成したモデルの正確さを測ること
• 実験日:
1月22日(木)🌂/1月23日(金)☀
• 実験方法:
①作成したwebページから,バスの予想乗車人数を確認
②実験時,バスへの乗車人数を自分でカウント.そのバスの実
際の混雑度を計測
➂①と②の整合性を見ることで作成したモデルの正確さを判定
使用したモデル
18:55 19:01 19:07 20:00 20:10 20:20 21:00
火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂 火・🌂
水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀ 水・☀
木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀ 木・☀
木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂 木・🌂
金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀ 金・☀
14個のモデルを使用
19
y = 1.6548x - 1.1667R² = 0.9284
-4
-2
0
2
4
6
8
10
12
-2 0 2 4 6 8
18:55 Thu 🌂
y = 2.4857x + 1.2857R² = 0.9527
0
2
4
6
8
10
12
14
16
-1 0 1 2 3 4 5 6
19:01 Thu 🌂
y = 1.2286x - 0.5714R² = 0.9605
-2
-1
0
1
2
3
4
5
6
7
-1 0 1 2 3 4 5 6
19:07 thu 🌂
y = 1.8909x - 2.7091R² = 0.8535
-5
0
5
10
15
20
-2 0 2 4 6 8 10
20:00 Thu 🌂
y = 1.6242x - 0.9091R² = 0.9447
-4
-2
0
2
4
6
8
10
12
14
16
-2 0 2 4 6 8 10
20:10 Thu 🌂
使用したモデル
木曜日・🌂モデル
y = 2.4667x + 2R² = 0.9527
0
5
10
15
20
25
30
-2 0 2 4 6 8 10
20:20 Thu 🌂
y = 2.1697x - 3.1636R² = 0.8941
-10
-5
0
5
10
15
20
-2 0 2 4 6 8 10
21:00 Thu 🌂
使用したモデル
金曜日・☀モデル
y = 2.7245x + 0.4172R² = 0.8374
-5
0
5
10
15
20
25
-2 0 2 4 6 8
18:55 Fri
y = 1.9929x - 0.0238R² = 0.7075
-2
0
2
4
6
8
10
12
14
-1 0 1 2 3 4 5 6
19:01 Fri
y = 1.3184x + 0.6168R² = 0.6895
-2
0
2
4
6
8
10
12
-1 0 1 2 3 4 5 6
19:07 Fri
y = 1.2692x + 0.41R² = 0.8529
-2
0
2
4
6
8
10
12
14
16
-2 0 2 4 6 8 10
20:00 Fri
y = 2.0761x - 0.4715R² = 0.6107
-5
0
5
10
15
20
25
30
35
40
-2 0 2 4 6 8 10
20:10 Fri
y = 2.4312x - 0.6356R² = 0.4926
-5
0
5
10
15
20
25
30
35
-2 0 2 4 6 8 10
20:20 Fri
y = 1.2444x + 0.537R² = 0.6675
-5
0
5
10
15
20
-2 0 2 4 6 8 10
21:00 Fri
評価• 1月22日(木)🌂
webページに表示された予想混雑人数
実際にバスに乗った人数
誤差
18:55発 10 人 15 人 5 人
19:01発 14 人 8 人 6 人
19:07発 6 人 13 人 7 人
20:00発 14 人 12 人 2 人
20:10発 14 人 18 人 4 人
20:20発 24 人 24 人 0 人
21:00発 16 人 6 人 10人
…誤差が5人以上あるケース
評価• 1月23日(金)☀
webページに表示された予想混雑人数
実際にバスに乗った人数
誤差
18:55発 20 人 16 人 4 人
19:01発 10 人 3 人 7 人
19:07発 7 人 6 人 1 人
20:00発 12 人 9 人 3 人
20:10発 18 人 15 人 3 人
20:20発 21 人 18 人 3 人
21:00発 12 人 11 人 1 人
…誤差が5人以上あるケース
評価1/22(木)🌂 1/23(金)☀ 全体
Best case 誤差 0 人 誤差 1 人 誤差 0 人
Worst case 誤差 10 人 誤差 7 人 誤差 10 人
average 誤差 4.8 人 誤差 3.1 人 誤差 4 人
標準偏差 3.287784 2.035401 2.773501
24
考察
25
• 誤差が5人以上あったケースが全体で5回あった
-モデルを作成した時は平常授業時であったのに対し,実験日はテスト期間
中であり,イレギュラーな時期であったため誤差が多く出たのではないか
• 2日間の平均誤差を比較すると,金曜日/☀のモデルの方が誤差が少なかった
-木/🌂のモデルは少ないデータで作成(1日分のデータのみで作成した)
ため誤差が大きく、逆に金/☀のモデルはたくさんのデータから作った
(4日分のデータで作成)ため、木曜日より誤差が少ないのではないか
今後の展望
26
• 実験より,より正確なモデルをつくるには多くのデータや長期間でのデータの収集が必要
• 今回は夜の(人の少ない)時間帯のモデルしか作成しなかったため,今後さまざまな時間帯でモデルをつくることが必要
• 当初はバスの予想乗車人数だけでなく何分前から並べば座れるのかということも実験したかったが実現しなかったため,今後検討
• 他のパラメーターでもモデルが作れる可能性がある
-ex.サークルの時間など
• 重回帰分析を用いればより精度の高いモデルが作成できるかもしれない
まとめ
• SFCバスの混雑予測サービスの提案
-バスの混雑データを統計化した予想混雑モデルを利用
-モデルから算出したバスの予想乗車人数を表示するwebペー
ジを作成
27
予備スライド
28
④バスが発車する○○分前に,バス停に人が何人いるかということも分かる
1
2
6
7
12
15
17
2
3 3 3
8
13
14
15
0
1
5
7
10
13
15
20
0
6
11 11
17
18
22 22
-5
0
5
10
15
20
25
-1 0 1 2 3 4 5 6 7 8
18:55 Fri
Ex. 18:55発 金曜日 ☀ モデル
人数(人)
時間(分)
y = 2.7245×4 + 0.4172=11.3152人
29